一种安全驾驶的监测方法及系统、汽车、可读存储介质与流程

本发明涉及车载安全技术领域，具体涉及一种安全驾驶的监测方法及系统、汽车、可读存储介质。

背景技术：

驾驶员在汽车驾驶过程中要求注意力集中，驾驶员长时间精神高度紧张，大脑容易疲劳，突发疾病(如，心梗和急性心衰等)发病的概率也较大，因此，保障驾驶员安全驾驶至关重要。

为了保障驾驶员安全驾驶，现有技术常通过预测驾驶员的疲劳程度反映安全驾驶的风险，传统的疲劳驾驶检测常采用图像识别方法，通过摄像头记录驾驶员的面部神情，或通过分析眨眼等面部特征、眼部信号、头部运动性等推断驾驶员的疲劳状态，在判断为疲劳驾驶后，发出报警信息。因受环境光影响对捕捉信号存在较大干扰，图像识别方法存在检测精度易受环境光影响的缺点。

近年来，还出现了根据心率参数来判断是否疲劳驾驶的方法，即通过采集当前心率参数，并将其与预设的正常心率参数进行对比分析，根据对比结果来判断驾驶员是清醒还是疲劳；但是，这种通过简单的心率参数对比来判断是否疲劳驾驶的方法，其准确度不高。

技术实现要素：

本申请提供一种安全驾驶的监测系统及方法，可实时、准确地监测汽车驾驶过程中、安全驾驶的风险，有效保障驾车安全。

根据本申请第一方面，本申请提供一种安全驾驶的监测方法,包括：

信号采集步骤，获取待测样本的心电波形信号和呼吸波形信号；

信号处理步骤，对所述心电波形信号和呼吸波形信号进行数字信号处理，得到心动间隔序列数据和呼吸间隔序列数据；

数据处理步骤，将所述心动间隔序列数据转换为相应的心率数据，将所述呼吸间隔序列数据转换为相应的呼吸率数据；并对所述心动间隔序列数据进行时域和频域分析，得到心率变异率数据和心率减速力数据，对呼吸间隔序列数据进行时域和频域分析，得到呼吸变异率数据；

数据分析步骤，根据所述心动间隔序列数据、呼吸间隔序列数据、心率数据、呼吸率数据、心率变异率数据或/和呼吸变异率数据，预测安全驾驶风险。

在一些实施例中，所述信号处理步骤包括：

将所述心电波形和呼吸波形先后进行去漂移、去噪声、峰值提取，根据依次输出相邻波峰间的时间间隔形成一维数组，得到原始序列；

对所述原始序列进行序列预处理，依次经过异常点检测、异常点替换和去基线后，得到心动间隔序列数据和呼吸间隔序列数据。

在一些实施例中，所述数据分析步骤包括：

建模步骤，利用hmm隐马尔可夫模型，分别建立心动模型和呼吸模型；

模型训练步骤，选择待测样本n个时间单位连续的心动间隔序列数据作为作为观察值序列ox训练所述心动模型，学习所述心动模型的隐马尔可夫模型参数；选择待测样本n个时间单位连续的呼吸率数据作为观察值序列oy训练所述呼吸模型，学习所述呼吸模型的隐马尔可夫模型参数，n为大于1的正整数；

状态观测步骤，获取所述观察值序列ox下一个时间单位的心动间隔序列数据和观察值序列oy数据下一个时间单位的呼吸率数据，将其分别输入训练后的心动模型和呼吸模型，观察心动模型和呼吸模型的输出状态；

判断步骤，判断心动模型和呼吸模型的输出状态是否满足预设条件，若满足则判断为安全驾驶风险高，发出危险驾驶预警；若不满足，则改变待测样本数据时间窗，保持所述观察值序列ox和观察值序列oy长度不变，将其时间窗起点向前滑动一个时间单位，重新选择心动间隔序列数据和呼吸率数据后，重复模型训练步骤和状态观测步骤。

在一些实施例中，所述数据分析步骤包括：

第一获取步骤，获取公众样本的心动间隔序列数据，计算其心率变异率和心率减速力；

第二获取步骤，获取待测样本一段m个时间单位的心动间隔序列数据，计算其心率变异率和心率减速力；所述公众样本和待测样本的心动间隔序列数据长度相同，均为m个时间单位，m为大于1的正整数；

建模与状态观测步骤，对所述公众样本和待测样本的心率变异率数据和心率减速力数据进行聚类建模，观察所建模型的输出状态；

第一判断步骤，当模型输出状态为非异常状态时，改变待测样本数据时间窗，获取待测样本下一段m个时间单位的心动间隔序列数据，重复第二获取步骤和建模与状态观测步骤；当模型输出状态为异常状态时，执行配对t检验步骤；

配对t检验步骤，对待测样本数据进行配对t检验，检验两段相邻待测样本心率变异率数据、呼吸变异率数据和心率减速力数据的差异性；

第二判断步骤，判断所述差异性是否显著，若显著则判断为安全驾驶风险高，发出危险驾驶预警；若不显著，则改变待测样本数据时间窗，获取待测样本下一段m个时间单位的心动间隔序列数据，重复第二获取步骤和建模与状态观测步骤。

在一些实施例中，其特征在于，

所述信号采集步骤还包括获取体温、血压和血氧信号波形信号；

所述信号处理步骤还包括:对体温、血压和血氧信号波形进行数字信号处理，计算出血压、血氧饱和度和体温数据；

所述数据分析步骤还包括：检验两段相邻待测样本血压、血氧饱和度和体温数据的差异性。

根据第本申请二方面，本申请提供一种安全驾驶的监测系统,包括：

信号采集模块，用于获取待测样本的心电波形信号和呼吸波形信号；

信号处理模块，用于对所述心电波形和呼吸波形进行数字信号处理，得到心动间隔序列数据和呼吸间隔序列数据；

数据处理模块，用于将所述心动间隔序列数据转换为相应的心率数据，将所述呼吸间隔序列数据转换为相应的呼吸率数据，并用于对所述心动间隔序列数据进行时域和频域分析，得到心率变异率数据和心率减速力数据，对呼吸间隔序列数据进行时域和频域分析，得到呼吸变异率数据；

数据分析模块，包括：第一数据分析装置和第二数据分析装置；

所述第一数据分析装置用于通过分别建立心动模型和呼吸模型，分析所述信号处理模块输出的心动间隔序列数据和呼吸间隔数据，结合考虑两模型的输出状态，判断是否存在疲劳驾驶，若存在疲劳驾驶，发出危险驾驶报警信号；

所述第二数据分析装置用于先通过对公众样本的心率变异率数据和所述数据处理模块输出的待测样本的心率变异率数据进行聚类建模，判断待测样本的状态是否异常，若状态异常，再对待测样本进行配对t检验，检查待测样本的心率变异率数据、呼吸变异率数据和心率减速力数据时间上的差异性，在差异性显著时，判断待测样本存在突发疾病的风险，发出危险驾驶报警信号。

在一些实施例中，所述第一数据分析装置包括：

建模单元，用于利用hmm隐马尔可夫模型，分别建立心动模型和呼吸模型；

模型训练单元，用于选择待测样本n个时间单位连续的心动间隔序列数据作为作为观察值序列ox训练所述心动模型，学习所述心动模型的隐马尔可夫模型参数；选择待测样本n个时间单位连续的呼吸率数据作为观察值序列oy训练所述呼吸模型，学习所述呼吸模型的隐马尔可夫模型参数，n为大于1的正整；

状态观测单元，用于获取所述观察值序列ox下一个时间单位的心动间隔序列数据观察值序列oy数据下一个时间单位的呼吸率数据，将其分别输入训练后的心动模型和呼吸模型，观察心动模型和呼吸模型的输出状态；

判断单元，用于判断心动模型和呼吸模型的输出状态是否满足预设条件，若满足则判断为安全驾驶风险高，发出危险驾驶预警；若不满足，则改变待测样本数据时间窗，保持所述观察值序列ox和观察值序列oy长度不变，将其时间窗起点向前滑动一个时间单位，重新选择心动间隔序列数据和呼吸率数据后，控制所述模型训练单元和状态观测单元再次运行。

在一些实施例中，所述第二数据分析装置包括：

第一获取单元，用于获取公众样本的心动间隔序列数据，计算其心率变异率和心率减速力；

第二获取单元，用于获取待测样本一段m个时间单位的心动间隔序列数据，计算其心率变异率和心率减速力；所述公众样本和待测样本的心动间隔序列数据长度相同，均为m个时间单位，m为大于1的正整数；

建模与状态观测单元，用于对所述公众样本和待测样本的心率变异率数据和心率减速力数据进行聚类建模，观察模型的的输出状态；

第一判断单元，用于当模型输出状态为非异常状态时，改变待测样本数据时间窗，获取待测样本下一段m个时间单位的心动间隔序列数据，控制所述第二获取单元和建模与状态观测单元再次运行；当模型输出状态为异常状态时，运行配对t检验单元；

配对t检验单元，用于对待测样本数据进行配对t检验，检验两段相邻待测样本心率变异率数据、呼吸变异率数据和心率减速力数据的差异性；

第二判断单元，用于判断所述差异性是否显著，若显著则判断为安全驾驶风险高，发出危险驾驶预警；若不显著，则改变待测样本数据时间窗，获取待测样本下一段m个时间单位的心动间隔序列数据，控制所述第二获取单元和建模与状态观测单元再次运行。

根据本申请第三方面，本申请提供一种汽车,包括如本申请第二方面中任一项所述的安全驾驶监测系统。

根据本申请第四方面，本申请提供一种计算机可读存储介质,包括程序，所述程序能够被处理器执行以实现如本申请第一方面中任一项所述的方法。

本申请的有益效果是：

由于本申请通过从心电波形和呼吸波形中提取了一些非直接的测量信息，即心动间隔序列数据和呼吸间隔序列数据，并基于这两数据计算出相应的心率、心率变异率、心率减速力、呼吸率和呼吸变异率等心肺生理参数，使得在获取了原始波形的一系列特征值的同时又减少了数据处理量，降低了分析难度，实现了利用设备对驾驶员生理状况进行实时全自动分析，监测安全驾驶的风险，提醒驾驶员注意，确保驾驶的安全；

而且，有别于现有技术中通过采集当前心率参数与预设的正常心率参数进行的简单对比，本申请的安全驾驶的监测方法使用了具有专门的数据分析方法的数据分析模块对心率参数和呼吸参数进行综合考虑，分别预测驾驶员的疲劳程度和突发疾病的风险，可实时、准确地监测安全驾驶的风险，确保了行车安全。

附图说明

图1为本申请提供的一种安全驾驶的监测系统的结构框图；

图2为本申请提供的一种安全驾驶的监测方法的流程图；

图3为一种实施例的心动间隔序列和呼吸间隔序列的功率密度谱示意图；

图4为本申请提供的一种心动间隔序列数据和呼吸间隔序列数据处理方法的流程图；

图5为本申请提供的一种数据分析方法的流程图；

图6为本申请提供的一种数据分析装置的结构框图；

图7为本申请提供的另一种数据分析方法的流程图；

图8为本申请提供的另一种数据分析装置的结构框图。

具体实施方式

下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。

另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。

本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。

心电波形(ecg)和呼吸波形可以提供有关驾驶员身体状况的大量信息，为了保障驾驶员安全驾驶，可以通过分析心电波形(ecg)和呼吸波形来检测驾驶员疲劳程度，即通过记录并分析心电波形，结合现有医学数据库，诊断驾驶员的疲劳程度，当存在疲劳驾驶现象时进行危险驾驶预警。但这样的方式存在以下缺点：心电波形和呼吸波形的分析往往需要后台的人工辅助分析才能达到较高的准确度，实时性不好，即便采用现有的设备对心电波形(ecg)和呼吸波形进行自动分析，对硬件要求较高，而且数据量过大，数据分析时间过长，成本较高，检测准确度也不高。而且，驾驶过程中突发疾病也严重影响着汽车的安全驾驶，突发疾病的风险预测等不了漫长的分析过程，这便要求在监测安全驾驶风险时要做到快速、准确。

发明人在构思本申请时，为了快速、准确监测安全驾驶的风险，通过从心电波形和呼吸波形中提取了一些非直接的测量信息，即心动间隔序列数据和呼吸间隔序列数据，并基于这两数据计算出相应的心率、心率变异率、呼吸率和呼吸变异率等心肺生理参数，使得在获取了原始波形的一系列特征值的同时又减少了数据处理量，降低了分析难度，加快了数据分析速度；同时通过采用专门的数据分析方法分别预测疲劳程度和突发疾病的风险，保障了监测安全驾驶风险结果的准确性。

实施例一：

请参考图1，为一种安全驾驶的监测系统，该系统包括：信号采集模块10、信号处理模块20、数据处理模块60和数据分析模块30，在一些实施例中，还包括：数据存储模块40和报警模块50，下面具体说明。

信号采集模块10包括：心肺信号采集单元11和辅助生理信号采集单元12。

心肺信号采集单元11用于采集心电波形和呼吸波形，包括：用于采集心肺活动电势信号的心肺传感电极、用于放大滤波的心肺信号调理电路和模数转换电路。

辅助信号采集单元12用于采集体温、血压、血氧信号波形，包括：用于采集辅助信号的辅助传感器、用于放大滤波的辅助信号调理电路和模数转换电路。信号采集模块10可安装于汽车驾驶方向盘、驾驶座位或直接佩戴于司机身上。

信号处理模块20包括心肺生理参数处理单元21和辅助生理参数处理单元22，用于对信号采集模块10的心电波形和呼吸波形进行信号处理。在一些实施例中，信号处理模块20可作为车载装置，与信号采集模块10集成于同一硬件装置中，也可单独置于另一硬件装置中，由信号电缆与信号处理模块10相连。

心肺生理参数处理单元21用于对心肺信号采集单元11采集到的心电波形和呼吸波形进行一系列数字信号处理后，计算出心动间隔序列数据和呼吸间隔序列数据，即rr值，

辅助信号处理单元22用于对辅助信号采集单元12采集的体温、血压、血氧等信号波形进行数字信号处理后，计算出血压、血氧饱和度、体温等辅助生理参数。

数据处理模块60用于利用现有转换方法将心动间隔序列数据转换为相应的心率数据，将呼吸间隔序列数据转换为相应的呼吸率数据，并用于对心动间隔序列数据进行时域分析和频域分析，得到心率变异率数据和心率减速力数据，对呼吸间隔序列数据进行时域分析和频域分析，得到呼吸变异率数据，其中，心率减速力(dc值)通过运用位相整序信号平均技术(prsa)根据心动间隔序列数据计算得到。

心动间隔序列数据、呼吸间隔序列、心率、心率变异率、心率减速力、呼吸率和呼吸变异率数据这些心肺生理参数数据是用于表征心跳和呼吸不规律程度的一组参数的集合，通过分析这些参数中几个或全部参数，可以有效的预测安全驾驶的风险。众所周知，有了保证心率变异率数据和呼吸变异率数据的准确性，需要采集较长时间、静止状态下的心电波形和呼吸波形，恰好，驾驶过程中驾驶员需要长期、专注的工作，可提供这样的数据检测场景，因此本申请所获取的心率变异率数据和呼吸变异率数据的准确性较高。

如前所述，心电波形(ecg)和呼吸波形可以提供有关驾驶员身体状况的大量信息，但采用现有的设备直接对心电波形(ecg)和呼吸波形进行自动分析，尽管可以在一定程度上加快分析的速度，但对硬件要求较高，而且数据量过大，数据分析时间过长，成本较高，检测准确度也不高。为了减少数据处理的难度，本申请从ecg信号中提取一些非直接的测量信息，比如，心动间隔序列数据，通过对心动间隔序列数据进行心率变异率(hrv)测量便可以分析出rr间隔是如何随时间而变化的，从而获取驾驶员的心脏健康信息，其中，rr间隔是指心电波形中两个相邻r波之间的时间间隔。同时，将这样信号处理方法被应用到呼吸波形的分析中，来预测突发疾病发生的风险。

概括来讲，本申请通过提取心电波形和呼吸波形中的心动间隔序列数据、呼吸间隔序列数据，并基于这两项序列数据计算出心率、心率变异率、心率减速力、呼吸率或/和呼吸变异率数据等心肺生理参数，并辅以血压、血氧饱和度、体温等辅助生理参数数据(通过现有的监测设备很容易获取)，通过综合分析以上数据，来预测驾驶员的疲劳程度和突发疾病风险。

由于心动间隔序列、呼吸间隔序列、心率、心率变异率、呼吸率和呼吸变异率数据这些心肺生理参数数据是通过对心电波形和呼吸波形二次处理计算得到的，在获取了原始波形的一系列特征值的同时又减少了数据处理量，降低了分析难度。

在一些实施例中，信号处理模块20输出的上述心肺生理参数数据和辅助生理参数数据可直接传输给数据分析模块30，以供数据分析模块30处理；也可将其存储于数据存储模块40，在需要时，从数据存储模块40读取后传输至数据分析模块30。其中，数据传输模块40可以是与信号处理模块20集成在一起的物理存储器，也可以是云存储器，数据额传输方式包括有线传输方式和无线传输方式。

数据分析模块30包括第一数据分析装置31和第二数据分析装置32。

第一数据分析装置31用于通过分别建立心动模型和呼吸模型，分析信号处理模块20输出的心动间隔序列数据和呼吸间隔数据，结合考虑两模型的输出状态，判断是否存在疲劳驾驶，若存在疲劳驾驶，发出危险驾驶报警信号。

第二数据分析装置32用于先通过对公众样本以及数据处理模块20输出的待测样本的心率变异率(hrv)数据和心率减速力数据进行聚类建模，判断待测样本的状态是否异常，若状态异常，再对待测样本进行配对t检验，检查待测样本的心率变异率(hrv)数据、呼吸变异率数据和心率减速力(dc值)数据时间上的差异性，在差异性显著时，判断待测样本存在突发疾病的风险，发出危险驾驶报警信号。

在一些实施例中，数据分析模块30可作为车载设备，与信号处理模块20或信号采集模块10和信号处理模块20在同一物理硬件平台实现，也可作为远程服务器，远程接收信号处理模块20输出的心肺生理参数数据和辅助生理参数数据。

当第一数据分析装置31或第二数据分析装置32预测的结果为安全驾驶风险高时，数据分析模块30均输出危险驾驶报警信号至报警模块50。报警模块50在接到危险驾驶报警信号后，发出警告提醒驾驶员和监控人员。

参考图2，相应地，本申请还提供了一种安全驾驶的监测方法，包括：

步骤101，信号采集：获取待测样本的心电波形信号和呼吸波形，在一些实施例中，还包括获取体温、血压和血氧信号波形；

步骤102，信号处理：对心电波形和呼吸波形进行数字信号处理，得到心动间隔序列数据和呼吸间隔序列数据；在一些实施例还包括：对体温、血压和血氧信号波形进行数字信号处理，计算出血压、血氧饱和度和体温数据；

步骤103，数据处理：利用现有转换方法将心动间隔序列数据转换为相应的心率数据，将呼吸间隔序列数据转换为相应的呼吸率数据；并利用现有的时域分析方法和频域分析方法对心动间隔序列数据和呼吸间隔序列数据进行时域和频域分析，得到心率变异率和呼吸变异率数据；

其中，时域分析方法通过计算心动间隔序列数据和呼吸间隔序列数据的均值、标准差、均值标准差以及均值平方根，并对心动间隔序列和呼吸间隔序列进行柱状图分析；频域分析方法为通过对非等采样率的心动间隔序列和呼吸间隔序列进行频谱计算，得到该序列的功率密度谱(参考图3)，并根据功率密度谱计算得到以下参数：极低频段功率(vlf)、低频段功率(lf)、高频段功率(hf)和低、高频段功率比值(lf/hf)。

步骤104，数据分析：根据心动间隔序列数据、呼吸间隔序列数据、心率数据、呼吸率数据、心率变异率数据或/和呼吸变异率数据，预测安全驾驶风险；在一些实施例还包括：使用血压、血氧饱和度和体温数据辅助预测安全驾驶风险。

参考图3，步骤102的对心电波形和呼吸波形进行数字信号处理，得到心动间隔序列数据和呼吸间隔序列数据具体包括：

步骤1021，将心电波形和呼吸波形先后进行去漂移、去噪声、峰值提取，根据依次输出相邻波峰间的时间间隔形成一维数组，得到原始序列；

波形去漂移方法包括但不限于数字高通滤波，波形去噪声方法包括但不限于陷波滤波与低通滤波；峰值提取作用为定位波形中波峰出现的时间并计算相邻波峰间时间间隔，方法包括但不限于平方阈值法。

步骤1022，对所述原始序列进行序列预处理，依次经过异常点检测、异常点替换和去基线后，得到心动间隔序列数据和呼吸间隔序列数据；

异常点检测作用为检测序列中偏离正常数值范围的数据，其方法包括但不限于百分比阈值检测法、标准差阈值检测法、中位数阈值检测法；异常点替换作用为将检测到的异常点替换为正常值，其方法包括但不限于样条插值法、平均数插值法、中位数差值法；去基线作用为检测序列变化趋势，并去除线性趋势，其方法包括但不限于小波法、多项式法。

综上所述，本申请通过从心电波形和呼吸波形中提取了一些非直接的测量信息，即心动间隔序列数据和呼吸间隔序列数据，并基于这两数据计算出相应的心率、心率变异率、呼吸率和呼吸变异率等心肺生理参数，使得在获取了原始波形的一系列特征值的同时又减少了数据处理量，降低了分析难度，实现了利用设备对驾驶员生理状况进行实时全自动分析。

实施例二：

参考图4，为本申请提供的一种数据分析方法，该方法可应用于实施例一步骤103中。该方法包括：

步骤201，建模：利用hmm隐马尔可夫模型，分别建立心动模型x和呼吸模型y；hmm隐马尔可夫模型将疲劳分期分为四个状态：状态i表示正常、状态ⅱ表示轻度疲劳、状态ⅲ表示中度疲劳但保持警觉、状态iv表示昏昏欲睡。

步骤202，模型训练：选择待测样本n个时间单位连续的心动间隔序列数据作为观察值序列ox训练心动模型x，学习心动模型y得隐马尔可夫模型参数；选择待测样本n个时间单位连续的呼吸率数据作为观察值序列oy训练呼吸模型y，学习呼吸模型y的隐马尔可夫模型参数，n为大于1的正整数。隐马尔可夫模型参数表示为λ＝(π，a，b)，其中，π表示初始概率矢量，a表示状态转移概率矩阵，b表示观察值概率矩阵。

在一些实施例中，经训练后的心动模型x和呼吸模型y，其隐马尔可夫模型参数可使得观察值序列ox和模型x的相似度p(ox|λx)最大以及观察值序列oy和模型y的相似度p(oy|λy)最大。

具体为：

选择待测样本n个时间单位连续的心动间隔序列数据作为观察值序列ox，ox＝{ox1、ox2……oxn}，利用baum-welch方法，通过学习，确定心动模型x的隐马尔可夫模型参数λx＝(π，ax，bx)，使得观察值序列ox和心动模型x的相似度px(ox|λx)最大；

选择待测样本n个时间单位连续的呼吸率数据作为观察值序列oy，oy＝{oy1、oy2……oyn}，利用baum-welch方法，通过学习，确定心动模型x的隐马尔可夫模型参数λy＝(π，ay，by)，使得观察值序列oy和呼吸模型y的相似度py(oy|λy)最大。

步骤203，状态观测:获取步骤202中所选择的心动间隔序列数据和呼吸率数据的下一个时间单位的数据，将其分别输入训练后的心动模型和呼吸模型，观察心动模型x和呼吸模型y的输出状态；

例如，假设n＝10,以分钟为时间单位，步骤202中所选择的心动间隔序列数据和呼吸率数据为起始10分钟内(第1分钟至第10分钟)的待测样本数据，在步骤202中获取第11分钟的数据，分别将第11分钟的心动间隔序列数据输入确定了隐马尔可夫模型参数的心动模型x，观察心动模型x的输出状态，第11分钟的呼吸率数据输入确定了隐马尔可夫模型参数的呼吸模型y，观察呼吸模型y的输出状态。

步骤204，状态判断：判断心动模型x和呼吸模型y的输出状态是否满足预设条件，预设条件为：所述心动模型的输出状态为状态ⅲ，且所述呼吸模型的输出状态为状态ⅲ或状态iv；

若满足,则执行步骤206；若不满足，则执行步骤205。

步骤205，改变待测样本数据时间窗：保持观察值序列ox和oy长度长度不变，将其时间窗起点向前滑动一个时间单位，重新选择心动间隔序列数据和呼吸率数据，重复步骤203和步骤204。例如，假设n＝10,以分钟为时间单位，在步骤202中改为选择待测样本第2分钟至第11分钟的心动间隔序列数据和呼吸率数据，相应地在步骤202中改为获取第12分钟的数据，重复步骤203和步骤204。。

步骤206，判断安全驾驶风险高，发出危险驾驶预警。

相应地，如图5所示，本申请还提供了一种疲劳驾驶分析装置，该装置包括：

建模单元211，用于利用hmm隐马尔可夫模型，分别建立心动模型和呼吸模型；

模型训练单元212，用于选择待测样本n个时间单位连续的心动间隔序列数据作为作为观察值序列ox训练心动模型x，学习心动模型x的隐马尔可夫模型参数；还用于选择待测样本n个时间单位连续的呼吸率数据作为观察值序列oy训练呼吸模型y，学习呼吸模型y的隐马尔可夫模型参数，n为大于1的正整数；

状态观测单元213，用于获取所述观察值序列ox下一个时间单位的心动间隔序列数据和观察值序列oy数据下一个时间单位的呼吸率数据，将其分别输入训练后的心动模型x和呼吸模型y，观察心动模型x和呼吸模型y的输出状态；

判断单元214，用于判断心动模型和呼吸模型的输出状态是否满足预设条件，若满足则判断为安全驾驶风险高，发出危险驾驶预警；若不满足，则改变待测样本数据时间窗，保持观察值序列ox和观察值序列oy长度不变，将其时间窗起点向前滑动一个时间单位，重新选择心动间隔序列数据和呼吸率数据后，控制模型训练单元212和状态观测单元213再次运行。

由此可见，本实施例的数据分析方法通过针对心率参数和呼吸参数分别建模，依次改变待测样本的时间窗，对心率参数数据和呼吸参数数据进行动态的、连续的分析，再综合两个模型的状态，可更准确地检测驾驶员的疲劳程度，在存在疲劳驾驶时，发出危险驾驶预警，确保行车安全。

实施例三：

参考图6，为本申请提供另一种数据分析方法，该方法可应用于实施例一步骤103中。该方法包括：

步骤301，第一获取步骤：从公众数据库中，获取公众样本心动间隔序列数据，选取公众大量的正常人、亚健康人群、患有相关心血管疾病的病人以及发生过心肌梗死病人的心动间隔序列值，计算出相应的心率变异率和心率减速力。

步骤302，第二获取步骤：获取待测样本一段m个时间单位的心动间隔序列数据，计算其心率变异率和心率减速力；公众样本和待测样本的心动间隔序列数据长度相同，均为m个时间单位，m为大于1的正整数。

步骤303，建模与状态观测：利用k-means方法对公众样本和待测样本的心率变异率数据和心率减速力数据进行聚类建模，观察模型的的输出状态；所建模型为模型z，聚类个数k＝3，预设的输出状态有三种：正常、亚健康、异常。

步骤304，第一判断步骤：判断模型z输出状态。

当模型z输出状态为非异常状态(正常或亚健康)时，执行步骤308；

当模型z输出状态为异常状态时，执行步骤305。

步骤305，配对t检验：利用现有的配对t检验方法，对待测样本数据进行配对t检验，检验两段相邻待测样本心率变异率(hrv)、呼吸变异率、心率减速力(dc值)和辅助生理参数的差异性，其中，辅助生理参数包括体温、血压和血氧饱和度等；

例如，假设m＝15，以分钟为时间单位，步骤302中获取了心动间隔序列数据为第15分钟至第30分钟的数据，若针对这段数据，步骤304中模型z的输出状态为异常；接下来，在步骤305中，对这段数据(第15分钟至第30分钟的数据)进行配对t检验，检验这段数据(第15分钟至第30分钟的数据)与上段数据(第1分钟至第15分钟数据)之间心率变异率(hrv)、呼吸变异率、心率减速力和辅助生理参数的差异性。

其中，辅助生理参数为可选的非必要参数，用于协助预测。

步骤306，第二判断步骤：判断步骤306中所检验的差异性是否显著；

在一些实施例中，差异性的显著性水平指标α被设置为0.05。

若差异性显著，则执行步骤308；

若差异性不显著，则执行步骤307。

步骤307，改变待测样本数据时间窗：获取待测样本下一段m个时间单位的心动间隔序列数据，重复步骤302和步骤303；

例如，假设m＝15，步骤302中所获取的心动间隔序列数据为待测样本起始15分钟(第1分钟至第15分钟)的心动间隔序列数据，则在步骤307中，改变待测样本数据时间窗后，获取下一段15分钟(第15分钟至第30分钟)的心动间隔序列数据，重复步骤302和步骤303。

步骤308，判断安全驾驶风险高，发出危险驾驶预警。

相应地，如图7所示，本申请还提供了一种突发疾病风险分析装置，该装置包括：

第一获取单元311，用于获取公众样本间隔序列数据，计算其心率变异率和心率减速力；

第二获取单元312，用于获取待测样本一段m个时间单位的心动间隔序列数据，计算其心率变异率和心率减速力；所述公众样本和待测样本的心动间隔序列数据长度相同，均为m个时间单位，m为大于1的正整数；

建模与状态观测单元313，用于利用k-means方法对公众样本和待测样本的心率变异率数据和心率减速力数据进行聚类建模，观察模型的的输出状态；

第一判断单元314，用于当模型输出状态为非异常状态时，改变待测样本数据时间窗，获取待测样本下一段m个时间单位的心动间隔序列数据，控制所述第二获取单元和建模与状态观测单元再次运行；当模型输出状态为异常状态时，运行配对t检验单元315；

配对t检验单元315，用于对待测样本数据进行配对t检验，检验两段相邻待测样本心率变异率数据、呼吸变异率数据、心率减速力数据和辅助生理参数的差异性；

第二判断单元316，用于判断所述差异性是否显著，若显著则判断为安全驾驶风险高，发出危险驾驶预警；若不显著，则改变待测样本数据时间窗，获取待测样本下一段m个时间单位的心动间隔序列数据，控制所述第二获取单元312和建模与状态观测单元313再次运行。

由此可见，本实施例的突发疾病风险分析方法先通过聚类建模，参照公众数据库，判断驾驶员的心动间隔序列数据的状态，再通过对待测样本(驾驶员)进行配对t检验，判断待测样本心率变异率数据、呼吸变异率数据、心率减速力数据和辅助生理参数时间上的差异性，在差异性显著时，发出危险驾驶预警，科有效地预测突发就疾病的风险，提醒驾驶员注意，确保行车安全

而且，需要指出的是，有别于现有技术中通过采集当前心率参数与预设的正常心率参数进行的简单对比，本申请的安全驾驶的监测方法结合考虑心率参数和呼吸参数以及各项心肺生理参数和辅助生理参数时间上的差异性，通过动态的、连续的分析，更准确地反映出驾驶员的疲劳程度和健康状况。

本领域技术人员可以理解，上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现，也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器、随机存储器、磁盘、光盘、硬盘等，通过计算机执行该程序以实现上述功能。例如，将程序存储在设备的存储器中，当通过处理器执行存储器中程序，即可实现上述全部或部分功能。另外，当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中，通过下载或复制保存到本地设备的存储器中，或对本地设备的系统进行版本更新，当通过处理器执行存储器中的程序时，即可实现上述实施方式中全部或部分功能。

以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。